source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-312.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.018.
plot(model, type="changes")
df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:94881 Length:94881 Min. : 1.000 Min. :-53.0
Class :character Class :character 1st Qu.: 4.000 1st Qu.:148.0
Mode :character Mode :character Median : 6.000 Median :198.0
Mean : 6.497 Mean :200.2
3rd Qu.: 9.000 3rd Qu.:255.0
Max. :12.000 Max. :403.0
tmin precip nevada prof_nieve
Min. :-121.00 Min. : 0.00 Min. :0.000000 Min. : 0.000
1st Qu.: 53.00 1st Qu.: 3.00 1st Qu.:0.000000 1st Qu.: 0.000
Median : 98.00 Median : 10.00 Median :0.000000 Median : 0.000
Mean : 98.86 Mean : 16.25 Mean :0.000295 Mean : 0.467
3rd Qu.: 148.00 3rd Qu.: 22.00 3rd Qu.:0.000000 3rd Qu.: 0.000
Max. : 254.00 Max. :422.00 Max. :6.000000 Max. :1834.000
longitud latitud altitud
Min. :27.82 Min. :-17.8889 Min. : 1.0
1st Qu.:38.28 1st Qu.: -5.6417 1st Qu.: 42.0
Median :40.82 Median : -3.4500 Median : 247.0
Mean :39.66 Mean : -3.4350 Mean : 418.5
3rd Qu.:42.08 3rd Qu.: 0.4914 3rd Qu.: 656.0
Max. :43.57 Max. : 4.2156 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
60 69 26 14 25 37 20 8 9 38 35 24 10 9 36 28
17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
43 49 40 25 24 41 60 30 22 36 32 31 34 59 55 39
33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
23 31 46 55 33 50 45 34 65 30 12 39 35 26 22 27
49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
35 16 53 51 65 46 40 36 35 39 41 45 35 29 17 38
65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
35 30 24 51 34 33 48 29 39 59 18 33 43 35 39 41
81 82 83 84 85 86 87 89 90 91 92 93 94 95 96 97
54 38 35 55 34 39 53 38 39 36 39 33 25 29 38 36
98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113
32 43 50 69 57 71 61 28 12 49 60 37 33 38 30 26
114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129
51 34 51 52 38 52 37 32 34 16 35 23 35 24 34 29
130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145
33 30 45 29 41 39 45 22 43 43 42 42 30 62 33 40
146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161
34 45 51 55 31 60 49 64 43 45 55 51 66 34 47 50
162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177
40 27 53 21 22 53 20 45 47 15 27 34 24 38 36 19
178 179 181 182 183 184 185 186 187 189 190 191 192 193 194 195
38 47 33 24 17 75 60 35 64 59 48 56 39 50 50 30
196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211
23 35 21 61 34 48 64 31 62 56 60 43 39 37 47 57
212 213 214 215 216 217 218 219 220 221 222 223 224 225 227 228
32 47 32 30 18 22 26 58 47 43 23 29 28 47 31 20
229 231 232 233 234 235 236 239 240 241 242 243 244 245 246 247
68 38 35 68 54 90 79 42 49 64 74 33 48 31 40 32
248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263
26 27 24 56 63 52 50 28 51 50 46 21 51 60 31 39
264 265 266 267 268 269 270 271 272 273 274 275 277 278 281 282
18 38 36 35 26 25 31 28 35 35 37 33 57 35 40 53
283 286 287 288 291 292 293 295 296 297 298 299 300 301 302 303
68 61 51 35 63 42 37 49 31 72 64 45 31 38 15 82
304 305 306 307 308 309 310 311 313 314 315 316 317 318 319 320
62 58 45 48 37 52 51 9 44 39 38 41 39 23 20 47
321 322 323 324 326 327 328 329 330 331 333 334 335 336 337 338
45 22 47 36 38 32 34 36 56 35 63 43 38 47 45 53
339 341 342 343 345 346 347 348 349 350 351 352 353 354 355 356
35 26 34 36 32 26 27 11 28 37 47 74 49 31 68 42
357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372
59 46 43 37 11 35 19 50 25 31 25 36 42 37 23 28
373 374 375 376 377 378 379 380 382 383 384 385 386 387 388 389
47 45 27 30 41 29 42 58 53 37 26 45 30 29 35 42
390 392 393 394 396 397 398 399 400 401 402 403 404 405 406 407
49 65 50 40 38 31 22 42 36 45 54 23 53 48 37 37
408 409 410 411 413 414 415 416 417 418 419 420 421 422 423 424
78 49 32 62 79 49 28 31 23 42 25 16 30 29 27 53
425 426 427 428 429 431 432 433 434 435 436 437 438 439 440 441
32 28 42 48 52 71 34 32 36 49 49 77 69 43 36 57
442 443 444 446 447 448 449 450 451 452 453 454 455 456 457 458
43 32 15 48 37 31 46 30 44 30 76 37 63 55 54 46
459 460 461 462 464 465 466 467 468 469 470 471 472 473 474 476
84 42 46 92 58 41 27 34 32 29 18 37 39 33 26 48
477 478 479 481 482 483 484 492 493 494 495 497 498 499 500 501
33 49 75 43 50 46 24 28 34 23 36 55 26 19 27 35
502 503 504 505 506 507 508 509 510 512 514 515 516 517 518 519
30 64 29 42 54 55 54 36 57 60 57 32 42 54 13 14
521 522 523 524 525 526 527 528 530 531 534 535 536 537 538 539
42 19 47 16 54 10 69 88 40 54 54 75 75 99 87 70
540 541 542 543 544 546 547 548 549 550 551 552 553 554 555 556
36 38 28 17 18 51 28 35 16 11 49 46 65 66 26 54
557 558 559 561 562 564 565 566 567 568 569 570 571 572 573 574
47 34 62 55 48 34 44 20 32 16 39 31 36 34 46 43
575 576 578 580 582 583 584 585 586 587 588 589 590 591 592 593
26 43 66 79 74 57 53 41 63 67 76 77 24 22 20 13
594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609
9 10 45 28 21 21 3 45 60 73 25 66 43 32 53 54
610 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626
56 43 16 56 28 31 34 36 43 35 38 39 49 33 38 49
629 631 632 633 634 635 636 637 638 639 640 641 642 643 644 646
94 89 56 58 50 47 55 47 45 61 59 41 37 19 29 61
647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662
48 46 40 11 58 61 36 30 37 55 50 44 49 10 47 47
664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679
39 33 25 42 27 22 23 35 32 25 31 57 47 28 70 57
681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 697
72 62 40 46 42 48 34 33 52 48 45 43 20 24 42 57
698 699 700 701 702 703 704 705 706 707 708 709 710 712 713 714
40 50 29 50 49 70 37 38 49 33 21 44 21 43 15 44
715 716 717 718 719 720 721 722 723 724 725 726 727 729 730 731
29 33 44 36 24 42 43 40 43 57 35 39 51 38 63 56
732 733 734 735 736 737 738 739 740 741 742 743 744 746 747 751
44 36 29 28 37 14 39 42 37 51 53 18 27 63 41 32
752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767
53 48 39 40 43 42 29 38 57 42 33 47 10 38 21 27
768 769 770 771 772 774 775 776 777 778 779 780 781 782 783 784
40 22 24 43 35 50 50 41 26 36 29 42 34 66 35 18
785 786 787 788 789 790 791 792 793 794 795 798 799 800 801 802
26 37 37 47 51 42 52 41 40 28 13 48 37 55 55 31
803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818
24 47 46 42 31 62 53 51 47 37 33 34 50 16 22 44
819 820 821 822 824 826 827 829 830 831 832 833 834 835 836 837
28 32 18 43 34 43 6 43 64 69 38 37 47 36 37 44
838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853
32 62 23 46 48 50 43 37 24 24 42 40 25 60 45 13
854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869
46 55 55 38 35 53 47 38 30 36 23 26 45 23 24 35
870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885
23 25 57 30 43 39 82 19 55 30 41 27 57 34 70 45
886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901
39 52 32 17 24 25 29 38 32 37 37 32 44 53 13 49
902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917
39 32 53 44 20 25 33 23 42 35 47 13 19 24 69 24
918 919 920 921 922 923 924 926 928 929 930 931 932 934 935 937
19 25 32 48 58 28 50 42 29 38 32 54 49 15 19 24
938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953
58 55 33 26 40 47 40 25 43 35 33 26 34 53 68 52
954 955 956 957 958 959 960 961 962 963 964 965 966 967 969 970
34 55 47 54 30 61 49 10 48 40 31 36 27 91 19 33
971 972 973 974 975 977 979 980 981 982 983 984 985 986 987 988
30 48 36 48 47 20 15 27 36 19 32 56 52 45 52 53
989 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005
50 41 26 45 44 32 39 38 49 10 30 47 37 66 29 41
1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1019 1020 1021 1022
59 60 22 49 10 17 54 29 36 31 31 72 39 33 27 24
1024 1025 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041
45 21 35 50 35 27 32 61 18 24 21 29 15 8 29 38
1042 1043 1044 1045 1046 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058
54 39 25 53 27 34 33 18 53 38 16 51 8 60 53 55
1059 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1074 1075 1076 1077
52 27 37 19 29 23 18 43 56 29 44 14 29 1 21 50
1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093
44 46 61 51 24 26 32 25 19 21 39 35 41 32 44 32
1094 1095 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1110 1111
27 44 67 32 51 12 53 51 26 30 78 38 63 49 44 44
1112 1113 1114 1115 1116 1117 1118 1119 1120 1122 1125 1126 1127 1128 1129 1130
76 39 34 51 26 40 20 27 43 47 32 48 60 50 57 40
1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146
37 43 31 23 24 31 37 45 37 49 42 48 38 47 35 45
1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1160 1161 1162 1163 1164
56 25 28 30 43 19 51 24 63 50 66 38 13 47 51 63
1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180
31 52 21 38 23 20 52 30 38 31 29 28 21 70 60 42
1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196
38 33 30 39 22 41 43 35 36 31 37 41 40 57 55 53
1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1209 1210 1211 1212 1213
46 59 38 43 35 28 34 60 21 43 65 51 44 17 37 66
1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229
34 27 38 27 32 38 16 21 15 33 32 48 48 50 41 46
1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245
64 38 45 38 24 45 48 50 18 53 53 23 26 53 31 27
1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1259 1260 1262 1263
42 67 56 34 14 44 51 28 43 47 21 63 61 63 15 20
1264 1265 1266 1267 1268 1269 1270 1273 1274 1275 1276 1277 1278 1279 1280 1281
31 27 29 40 37 20 19 15 23 44 31 37 43 43 50 69
1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297
67 42 36 37 62 44 48 48 49 23 46 27 48 33 24 42
1298 1299 1300 1301 1302 1303 1304 1305 1306 1308 1309 1311 1312 1313 1314 1315
35 21 24 48 31 47 57 58 27 38 60 12 43 45 38 25
1316 1317 1318 1320 1321 1322 1324 1325 1326 1327 1328 1329 1331 1332 1333 1334
52 31 33 29 62 59 27 33 39 42 56 52 31 66 77 44
1335 1336 1337 1338 1339 1340 1341 1342 1344 1345 1346 1347 1348 1349 1350 1351
33 51 60 32 51 39 30 48 40 30 42 38 45 51 35 33
1352 1353 1354 1355 1356 1357 1358 1359 1361 1362 1363 1364 1365 1366 1367 1368
39 26 34 53 38 43 49 51 47 91 15 34 46 46 48 38
1371 1372 1373 1374 1375 1376 1377 1378 1379 1381 1384 1386 1388 1389 1390 1391
74 69 58 55 24 14 22 54 65 37 55 44 43 23 34 52
1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1406 1407 1408
26 30 41 30 32 46 71 23 48 40 56 29 23 48 60 19
1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1424 1425 1426 1427
27 50 60 36 16 21 6 54 15 36 21 32 50 19 38 19
1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443
24 67 54 49 34 31 42 40 44 27 61 39 42 41 26 47
1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459
20 56 58 45 32 18 33 48 31 86 56 41 48 36 26 23
1460 1461 1462 1463 1464 1465 1466 1467 1469 1470 1471 1472 1473 1474 1475 1476
41 44 25 30 70 26 30 45 53 58 47 64 35 14 27 42
1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1489 1490 1491 1492 1493 1494
35 37 35 34 11 42 48 19 44 33 21 33 50 30 30 69
1495 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511
43 33 40 28 20 44 47 30 68 52 35 33 59 25 32 41
1512 1513 1514 1515 1518 1519 1520 1521 1522 1523 1524 1526 1527 1528 1529 1530
79 49 29 17 62 44 47 57 48 56 20 69 52 43 37 17
1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546
21 55 35 44 46 35 30 36 34 43 25 30 32 41 41 40
1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562
37 48 45 43 43 74 43 72 58 54 26 16 18 19 28 39
1563 1564 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1577 1578 1579 1580
63 16 10 36 48 24 59 57 47 59 33 19 24 34 26 39
1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596
29 22 24 24 23 31 26 23 31 30 44 9 26 43 46 34
1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612
45 55 24 31 11 3 23 6 28 10 17 11 37 40 59 34
1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1629 1630
44 22 29 42 42 54 30 27 47 56 36 39 49 46 39 63
1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646
30 36 44 23 39 17 31 40 28 52 19 29 31 42 32 27
1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662
27 31 31 28 24 41 58 50 63 37 48 23 40 68 42 45
1664 1665 1666 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1680 1681
48 51 27 24 58 32 22 46 61 50 17 35 42 52 44 44
1683 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699
47 39 20 16 27 31 47 27 18 29 26 14 25 33 31 20
1700 1701 1702 1703 1704 1705 1706 1707 1713 1715 1716 1717 1718 1719 1720 1721
11 46 63 53 53 55 38 13 52 39 31 43 19 25 23 48
1722 1723 1724 1725 1726 1727 1728 1729 1730 1732 1733 1734 1735 1736 1737 1739
53 28 79 27 8 11 34 10 35 33 18 43 58 61 44 24
1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1756
37 46 17 35 23 25 19 21 23 35 26 63 29 34 47 59
1757 1758 1759 1760 1761 1762 1765 1766 1767 1769 1770 1771 1772 1773 1774 1775
40 31 30 55 32 32 54 34 44 55 44 29 45 32 48 59
1776 1777 1778 1779 1780 1781 1783 1787 1788 1789 1791 1792 1793 1794 1795 1796
49 30 16 49 50 40 37 50 57 38 34 63 23 21 26 42
1797 1798 1799 1800 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813
32 38 45 50 34 50 75 58 12 46 62 42 75 65 50 45
1815 1816 1817 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831
66 49 30 42 29 33 36 22 43 38 44 42 64 48 47 51
1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1844 1845 1846 1847 1848
22 16 31 26 36 19 62 44 18 42 38 47 32 24 20 18
1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864
17 31 53 43 24 37 24 24 18 55 73 61 70 26 67 67
1865 1867 1868 1869 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882
28 44 33 29 27 48 42 25 23 33 71 32 44 23 72 54
1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1896 1897 1898 1899 1900
29 34 25 27 39 69 42 25 17 45 40 52 50 56 32 31
1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916
57 45 39 43 58 38 15 32 63 56 50 43 47 31 63 37
1917 1918 1919 1920 1921 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934
34 41 21 5 14 31 29 22 22 47 35 53 53 53 44 32
1935 1936 1937 1940 1941 1942 1944 1946 1947 1948 1949 1950 1951 1952 1953 1954
25 19 9 40 57 44 63 54 51 58 50 47 41 50 55 64
1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970
61 40 35 36 47 61 72 52 44 59 39 62 54 54 50 54
1971 1972 1973 1974 1975 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987
34 45 48 40 36 60 44 25 31 23 34 60 50 41 27 48
1988 1989 1991 1992 1993 1995 1997 1998 1999 2000 2003 2004 2005 2006 2011 2012
30 25 51 47 16 82 45 39 32 45 40 31 63 69 44 60
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2027 2028 2029
71 47 53 51 44 37 57 54 34 34 34 22 42 33 25 47
2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2045 2047
14 14 29 71 76 46 36 51 41 41 53 34 41 14 83 47
2048 2049 2050 2051 2052 2058 2059 2060 2062 2063 2064 2065 2066 2067 2068 2069
55 26 57 45 30 80 85 21 42 43 47 45 52 53 53 52
2070 2071 2072 2073 2074 2075 2076 2078 2079 2080 2081 2082 2083 2084 2085 2086
46 28 53 19 61 64 29 32 41 54 52 26 51 71 44 47
2087 2088 2089 2091 2092 2093 2094 2095 2096 2098 2099 2100 2101 2103 2104 2105
66 60 50 47 38 32 46 66 64 50 47 49 73 99 59 45
2106 2108 2109 2110 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125
51 74 80 19 47 40 48 38 51 33 53 70 55 65 32 54
2126 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139 2141 2142 2143
32 32 22 65 41 31 40 36 63 53 72 52 56 34 68 30
2145 2147 2148 2149 2150 2153 2154 2155 2156 2157 2159 2160 2161 2162 2163 2165
86 42 46 50 60 77 70 89 117 103 75 72 72 32 68 25
2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2182
45 34 47 55 67 24 50 50 56 29 43 16 48 40 58 77
2183 2184 2185 2186 2187 2188 2189 2190 2192 2193 2194 2196 2198 2199 2200 2201
43 45 24 35 19 31 42 59 75 55 49 95 26 71 55 76
2202 2208 2210 2211 2212 2213 2215 2216 2217 2218 2219 2220 2221 2222 2223 2224
77 89 91 62 81 67 52 44 49 65 82 45 56 60 44 59
2225 2226 2227 2228 2229 2230 2232 2233 2234 2235 2236 2237 2238 2239 2240 2242
69 35 25 40 56 39 81 51 47 32 36 40 62 59 32 58
2243 2244 2246 2248 2249 2250 2251 2254 2255 2256 2257 2258 2259 2260 2262 2263
46 41 112 69 52 47 29 72 64 61 56 59 78 63 61 74
2264 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281
42 46 64 71 74 51 53 43 67 82 46 47 24 42 30 35
2283 2284 2285 2286 2287 2288 2289 2290 2291 2293 2294 2295 2297 2299 2300 2302
66 60 42 29 28 53 49 67 54 78 64 58 142 42 39 51
2303 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2315 2316 2318 2319 2320
81 43 41 52 32 74 46 81 41 65 25 54 95 70 79 50
2321 2322 2323 2324 2325 2326 2327 2328 2330 2331 2332 2333 2334 2335 2336 2337
42 58 63 57 42 49 39 40 52 62 44 39 32 50 47 33
2338 2339 2340 2341 2343 2344 2345 2347 2351 2352 2353 2354 2355 2356 2357 2358
36 39 57 75 52 51 30 86 57 76 66 73 57 53 37 52
2359 2360 2361 2362 2363 2364 2366 2367 2369 2370 2371 2372 2373 2374 2375 2376
44 52 67 92 81 43 69 84 30 72 53 38 56 54 78 51
2377 2378 2379 2380 2381 2382 2383 2384 2385 2386 2387 2388 2389 2390 2391 2392
70 58 58 27 34 34 26 18 21 48 37 35 23 66 76 44
2394 2399 2400 2401 2402 2403 2404 2405 2406 2407 2408 2409 2410 2412 2413 2415
37 71 110 64 53 68 71 24 33 31 68 104 54 48 28 73
2416 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2434 2435 2436
97 50 35 73 62 67 46 54 68 60 43 18 23 33 74 51
2437 2438 2439 2440 2441 2442 2443 2445 2446 2447 2448 2449 2450 2451 2452 2453
41 16 40 62 64 45 29 100 114 82 109 102 31 46 19 68
2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469
73 50 59 68 76 81 69 99 16 47 1 42 104 58 82 100
2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2483 2485 2486 2487
49 41 52 72 51 25 41 59 48 36 31 31 59 60 37 18
2488 2489 2490 2491 2492 2493 2495 2496 2497 2498 2499 2500
55 23 41 62 22 26 78 80 85 90 72 74
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2252 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("tmax", "tmin", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)